为了从数据中生成可操作的实时见解，企业需要通过人工智能和机器学习部署等多种方法获得所需的结果。
尽管各行业组织已将人工智能和机器学习视为其增长战略的核心技术，但大多数企业认为他们无法成功利用这些技术。造成这种情况的主要原因是许多大数据项目缺乏成熟的方法来充分利用人工智能和机器学习技术。
根据大数据初创厂商Datapicks公司和《麻省理工学院技术评论》在2021年的调查，很多公司在未来两年的企业数据战略中最重要的业务目标是，扩大销售和服务渠道(45%的受访者指出)、提高运营效率(43%)，以及改进创新并缩短上市时间(42%)。制定这些目标固然很好，但企业是否有能力执行这些目标?根据Gartner公司的调查，85%的大数据项目失败了，而根据《麻省理工学院技术评论》的调查报告，只有13%的企业擅长以可衡量的结果实施其数据战略。当询问“低成就者”(在数据战略计划方面遇到困难的企业)面临的主要障碍是什么时，他们在反馈中强调了数据管理平台的可扩展性有限、难以促进协作以及处理大量数据的速度缓慢。显然，许多企业在数据开发的所有领域都面临着规模、速度和协作方面的挑战。
为了从数据中生成可操作的实时见解，企业需要通过人工智能和机器学习部署等多种方法获得所需的结果。他们需要员工具备数据素养，以应对对未知的恐惧，并真正简化流程。以下是企业获得数据和人工智能成熟度的三种方式：
1.构建坚实的基础架构
当关注强大数据管理的基础并专注于构建“民主化”数据的架构时，企业更有可能成功并看到可衡量的结果。而管理数据非常复杂，企业需要消除遗留系统和各种工具以及数据孤岛的负担，除非它们可以集成或隔离。这些问题会降低交付预期业务成果所需的速度和规模，从而影响企业的数据平台及其支持的机器学习模型。坚实的基础架构应该减少数据重复，增加对相关数据的访问的便利性，能够高速处理大量数据，并提高整体数据质量。
美国快递服务商UPS公司的配送优化项目旨在将每位快递员的路线每天缩短一公里，预计获得的年收益将超过3600万美元。这是企业使用数据来颠覆和重建系统的一个很好的例子。它依赖于几个成熟度标准：现代且可扩展的成熟基础架构，企业管理层在各个级别的持续支持，尽管出现故障和延迟。此外，该公司依赖于通过GPS获取有关交易、位置点、车辆甚至快递员的丰富、即时和准确数据。
2.创造一种文化，让数据和人工智能成为每个人的业务
作为企业转型的一部分，数据和人工智能的成熟度也与分析、机器学习和人工智能功能的民主化有关，以帮助企业做出明智的决策。这需要通过协作和尖端技术建立强大的数据文化，以便使用数据来改进决策及其各自的影响。从运营的角度来看，它意味着能够共享所有这些决策、数据和数据驱动的架构，从而为业务项目提供必要的资源。这只有在现代数据架构中才有可能实现，在这种架构中，只有适合的用户可以访问合适的数据，以快速生成推动业务价值的洞察力。
尽管新一代的数据管理在系统、领导力和对业务价值的感知方面都有了新的发展，但在大多数企业中，数据团队和最终用户以及需要数据洞察以做出日常决策的前台或后台员工之间仍需弥合差距。弥合这一差距的一个很好的办法是将数据科学家直接嵌入业务部门，让他们定期与用户互动，或者让用户直接使用分析工具，以便他们能够根据需要得出自己的见解。换句话说，它需要将数据推向更靠近“边缘”的用户所在的位置。随着企业的员工越来越熟悉高级分析和数据科学，他们获得了自己分析的能力，而不仅仅是使用其他人提供的分析。
3.定期评估
为了成功地从数据驱动的项目中创造价值，企业必须不断地了解自己在数据和人工智能成熟度的旅程中所处的位置。它可以通过采用评估必要关键能力的模型来做到这一点。一个成功的评估模型应该有助于构建团队之间的对话，并应该了解改进关键业务运营所需的步骤，这些步骤必须通过大规模数据集成和真正的数据文化得到加强，并且更加一致和更加稳定。它支持使用数据来改进、加速或监控决策及其各自的进展，并共享所有这些决策、数据和数据驱动的架构，为每个人提供业务项目所需的资源。
Datapicks公司的一个客户是一家行业领先的咖啡零售商，该公司采用的一个人工智能项目完美地说明了这一点的价值，其用例基于公共数据和三个不同部门的持续协作。该公司的运营团队可以创建基于人工智能的模型，根据目标社区的社会和经济因素确定未来设置商店的位置。该公司的客户关系部门还通过企业的忠诚度计划直接从人工智能中受益。通过了解所有1900万订阅者的饮料偏好和购买模式，该团队可以在提高销售量的同时仍然提供超个性化的客户体验。该数据还用于根据特定群体的习惯和口味预测哪些饮料和渠道将产生最大利润。最后，商店支持部门依靠人工智能进行预测性机器维护和供应需求。
在迈向数据和人工智能成熟度的这一艰巨旅程中，当各种业务用例集成到特别是由IT设置的集中、安全和可扩展的服务中时，很多企业已经向前迈出了一大步。数据驱动的业务转型或价值创造的成功需要从企业战略到培训计划的全球整合以及内部资源的升级以继续传播知识。这一步对于更多地部署数据和人工智能用例至关重要。如果没有持续的管理支持、组织成熟度和大规模数据科学能力，这些项目的成功和价值创造也无法实现。
